رفتن به محتوا

Grok Voice

یکپارچه‌سازی

شناسه مدل xai/grok-voice
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/xai/grok-voice?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

تا ⁨‎$۱٫۴۹۴⁩ برای هر اجرا بر اساس مصرف واقعی هزینه دریافت می‌شود و مابقی بازپرداخت می‌شود اجرای آن در این صفحه

دریافت کلید API
xAI صوت #xai#grok#voice#agent

عامل صوتی که به یک کلیپ صوتی ضبط‌شده گوش می‌دهد و با گفتار به‌همراه متن رونویسی پاسخ می‌دهد

xAI · صوت

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

0 / 20000

دستورالعمل‌های سیستمی اختیاری که زمینه گفتگو را فراهم می‌کنند و به‌جای شخصیت پیش‌فرض Grok، یک شخصیت مشخص می‌کنند؛ حذف آن‌ها همان شخصیت پیش‌فرض را حفظ می‌کند.

•الزامی audio_url
یک فایل بیندازید، یا

URL صوت گفتار کاربر، با محدودیت 10 دقیقه و 50 MB. بیشتر قالب‌های رایج صوتی قابل ارائه‌اند؛ پیش از دریافت صوت توسط Grok، به PCM مونو با نمونه‌های 16 بیتی در 24 kHz تبدیل می‌شود. عامل با گفتار به ضبط پاسخ می‌دهد.

پیشرفته voice · enable_safety_checker · tools

یک صدای داخلی xAI را انتخاب کنید تا صدای پیش‌فرض Grok برای پاسخ عامل جایگزین شود؛ خالی‌گذاشتن آن صدای پیش‌فرض را حفظ می‌کند.

پیش‌فرض {"mcp_servers":[],"we...

پیکربندی ابزار عامل برای استفاده سمت سرور؛ به‌دلیل ZDR، file_search/collections از پیکربندی نوع‌دار حذف شده‌اند. همه ابزارها ابتدا غیرفعال‌اند؛ گزینه‌های پشتیبانی‌شده شامل ابزارهای MCP راه‌دور، ابزارهای وب و ابزارهای X هستند.

POST /run/xai/grok-voice?wait=20 قیمت → ⁨‎$۱٫۴۹۴⁩
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/xai/grok-voice?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره Grok Voice

یک ضبط را از طریق `audio_url` ارسال کنید؛ عامل با صدای گفتاری پاسخ می‌دهد که به‌صورت WAV مونو با نرخ 24 kHz، همراه با مدت‌زمان و در صورت موجودبودن متن رونویسی برگردانده می‌شود. `prompt` اختیاری (حداکثر 20000 نویسه) شخصیت و زمینه را تعیین می‌کند و `voice` یک صدای داخلی را انتخاب می‌کند. شیء `tools` می‌تواند جست‌وجوی وب، جست‌وجوی X یا سرورهای MCP راه دور را فعال کند؛ همه به‌طور پیش‌فرض خاموش‌اند.

پارامترها

نام استاندارد یا نام بومی را ارسال کنید، نه هر دو. نام‌های استاندارد

نامنوع پیش‌فرضمجاز توضیحات
audio_urlالزامی audio
نوعurl · audio
URL صوت گفتار کاربر، با محدودیت 10 دقیقه و 50 MB. بیشتر قالب‌های رایج صوتی قابل ارائه‌اند؛ پیش از دریافت صوت توسط Grok، به PCM مونو با نمونه‌های 16 بیتی در 24 kHz تبدیل می‌شود. عامل با گفتار به ضبط پاسخ می‌دهد.
promptاختیاری
نوعstring | null
≤ ۲۰٬۰۰۰ نویسه
دستورالعمل‌های سیستمی اختیاری که زمینه گفتگو را فراهم می‌کنند و به‌جای شخصیت پیش‌فرض Grok، یک شخصیت مشخص می‌کنند؛ حذف آن‌ها همان شخصیت پیش‌فرض را حفظ می‌کند.
voiceاختیاری
نوعenum
carinazaganhelixorionlunairisaltairzenithperseusheliosluxkeplerrigelcosmocelesteursa
+12 مورد دیگرsiriuslumencastornakshatlasauroralioraaraeveleorexsal
یک صدای داخلی xAI را انتخاب کنید تا صدای پیش‌فرض Grok برای پاسخ عامل جایگزین شود؛ خالی‌گذاشتن آن صدای پیش‌فرض را حفظ می‌کند.
toolsاختیاری
نوعobject
پیش‌فرض{"mcp_servers":[],"web_search":{"enabled":false},"x_search":{"enabled":false}}
پیکربندی ابزار عامل برای استفاده سمت سرور؛ به‌دلیل ZDR، file_search/collections از پیکربندی نوع‌دار حذف شده‌اند. همه ابزارها ابتدا غیرفعال‌اند؛ گزینه‌های پشتیبانی‌شده شامل ابزارهای MCP راه‌دور، ابزارهای وب و ابزارهای X هستند.
tools.mcp_serversاختیاری
نوعobject[]
سرورهای MCP راه‌دوری که ارائه‌دهنده مدل برای اجرای ابزار به آن‌ها متصل می‌شود.
tools.mcp_servers[].allowed_toolsاختیاری
نوعstring[]
≥ 1 items
فهرست اختیاری نام ابزارهایی که این سرور در اختیار می‌گذارد.
tools.mcp_servers[].authorizationاختیاری
نوعstring | null
مقدار مجوز حساس که منحصراً برای ارائه‌دهنده مدل ارسال می‌شود.
tools.mcp_servers[].enabledاختیاری
نوعboolean
پیش‌فرضtrue
پرچم گنجاندن سرور؛ false سرور را حذف می‌کند.
tools.mcp_servers[].headersاختیاری
نوعobject | null
هدرهای حساس برای درخواست‌های MCP که منحصراً برای ارائه‌دهنده مدل ارسال می‌شوند.
tools.mcp_servers[].server_descriptionاختیاری
نوعstring | null
≤ 2000 characters
توضیح قابلیت‌هایی که این سرور در اختیار می‌گذارد.
tools.mcp_servers[].server_labelالزامی
نوعstring
1 – 128 characters
برچسب سرور که ارائه‌دهنده مدل برای شناسایی ابزارهای آن و پیشوندگذاری نام‌هایشان استفاده می‌کند.
tools.mcp_servers[].server_urlالزامی
نوعstring
≥ 1 characters
نشانی HTTP(S) ارائه‌شده توسط فراخواننده برای سرور MCP که Grok از راه دور و از طریق انتقال‌های Streaming HTTP/SSE به آن متصل می‌شود.
tools.web_search.allowed_domainsاختیاری
نوعstring[]
1 – 5 items
محدودیت دامنه برای نتایج جست‌وجو: حداکثر پنج دامنه را بدون پروتکل و مسیر مشخص کنید.
tools.web_search.enable_image_understandingاختیاری
نوعboolean | null
مجوز عامل برای بررسی تصاویری که از طریق جست‌وجوی وب پیدا می‌شوند.
tools.web_search.enabledاختیاری
نوعboolean
پیش‌فرضfalse
دسترسی عامل به جست‌وجوی وب: مقدار true، web_search را به session.tools اضافه و جست‌وجوی وب را مجاز می‌کند؛ مقدار پیش‌فرض آن را غیرفعال نگه می‌دارد.
tools.web_search.excluded_domainsاختیاری
نوعstring[]
1 – 5 items
دامنه‌های حذف‌شده از نتایج جست‌وجو، حداکثر پنج مورد و بدون پروتکل و مسیر.
tools.web_search.locationاختیاری
نوعobject
موقعیت اختیاری برای بومی‌سازی جغرافیایی نتایج جست‌وجو.
tools.x_search.allowed_x_handlesاختیاری
نوعstring[]
1 – 20 items
دسته‌های X که پست‌هایشان ممکن است در نتایج ظاهر شود؛ حداکثر 20 دسته.
tools.x_search.enable_image_understandingاختیاری
نوعboolean | null
مجوز عامل برای بررسی تصاویری که در X پیدا می‌شوند.
tools.x_search.enable_video_understandingاختیاری
نوعboolean | null
مجوز عامل برای بررسی ویدیوهایی که در X پیدا می‌شوند.
tools.x_search.enabledاختیاری
نوعboolean
پیش‌فرضfalse
دسترسی به پست‌های X از طریق جست‌وجو: مقدار true، x_search را به session.tools اضافه می‌کند تا عامل بتواند آن پست‌ها را جست‌وجو کند؛ مقدار پیش‌فرض آن را غیرفعال نگه می‌دارد.
tools.x_search.excluded_x_handlesاختیاری
نوعstring[]
1 – 20 items
دسته‌های X که پست‌هایشان حذف می‌شوند؛ حداکثر 20 دسته.
tools.x_search.from_dateاختیاری
نوعstring | null
قدیمی‌ترین تاریخ پست‌ها، با قالب ISO یعنی YYYY-MM-DD.
tools.x_search.to_dateاختیاری
نوعstring | null
جدیدترین تاریخ پست‌ها، با قالب ISO یعنی YYYY-MM-DD.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
با تنظیم false، در صورت مجاز بودن فراخواننده، می‌توان بررسی را آسان‌گیرانه‌تر کرد.
الزامی نام استاندارد، همچنین پذیرفته می‌شود

پارامترهای فایل یک URL عمومی https://، یک URI از نوع data: تا سقف 10 MB، یا file_url یک فایل بارگذاری‌شده را می‌پذیرند. فایل‌ها

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "xai/grok-voice",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 1494,
    "usd": "1.494",
    "charged": 1494,
    "refunded": 0
  },
  "input": {
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_name": "0-output.mp3",
      "file_size": 1843200
    },
    "text": "",
    "duration": 5
  },
  "outputs": [
    {
      "type": "audio",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_size": 1843200,
      "duration": 12,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
audio
object {url, content_type, file_name, file_size}پاسخ گفتاری عامل Grok که به‌صورت WAV تک‌کاناله با نرخ نمونه‌برداری 24 kHz ارائه می‌شود.
text
stringمتن همراه با گفتار عامل: رشته خالی نشان می‌دهد که Grok متن پیاده‌سازی‌شده‌ای ارائه نکرده است؛ در غیر این صورت، متن پیاده‌سازی‌شده را در بر می‌گیرد.
duration
numberطول صوت تولیدشده، برحسب ثانیه.

مدل‌های بیشتر: صوت

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/xai/grok-voice.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt